---
title: "Metin, ses veya görsel yapay zekâ: modeli göreve göre seçin"
description: "Metin sohbeti, görsel girdi veya ses transkripsiyonunu göreve göre seçin: BroadNet'in belgelediği modeller ve limitler, ayrıca sunmadıkları (ör. metinden sese)."
url: https://broadrouter.com/tr/blog/text-speech-vision/
lang: tr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/text-speech-vision/) (güncelleme: 2026-11-15).

# Metin, ses mi görsel mi? İşe görevden başlayın

BroadNet Inference ekibi · 7 dk okuma · Yayımlandı 2026-11-15

Girdinizden ve çıktınızdan başlayın. Metin girip metin çıkıyorsa bu sohbettir. Fotoğraf veya tarama girip metin çıkıyorsa bu, görsel kabul eden bir modelle görselli sohbettir. Kayıtlı konuşma girip metin çıkıyorsa transkripsiyondur; konuşmadan yanıta gitmek önce transkripsiyon, sonra sohbettir. BroadNet metinden sese, görsel üretimi veya embedding sunmuyor.

## Öne çıkanlar

-   Önce girdi türünü seçin. Girdi türü uç noktayı, uç nokta da kullanabileceğiniz modelleri belirler.
-   BroadNet'te üç sohbet modeli görsel kabul ediyor (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B); GLM 5.3 yalnızca metin.
-   Konuşma, en fazla 26.214.400 baytlık WAV veya MP3 dosyası olarak /v1/audio/transcriptions uç noktasına gider. Dili her zaman gönderin.
-   BroadNet metinden sese, canlı ses, görsel üretimi veya embedding uç noktası sunmuyor. Bunlara ihtiyacınız varsa ikinci bir sağlayıcı planlayın.
-   Her girdi türü için ayrı bir değerlendirme seti kurun; konuşma bir sohbet modelini besliyorsa zincirin tamamı için de bir set kurun.

**Bu sayfada**

1.  Göreviniz hangi girdi türünü gerektiriyor?
2.  Sohbet ile transkripsiyon arasındaki fark nedir?
3.  Hangi modeller görsel kabul ediyor?
4.  Her girdiyi kodda nasıl yönlendirirsiniz?
5.  Belge zaten metinse ne olur?
6.  Maliyetler nasıl karşılaştırılır?
7.  Ne sunulmuyor ve bunun yerine ne yapmalısınız?
8.  Neden her girdi için ayrı bir değerlendirme seti gerekir?
9.  BroadNet Inference’ın yeri

“Hangi modeli kullanalım?” ikinci sorudur. İlki şudur: “Ne giriyor ve ne çıkması gerekiyor?” Bir faturanın fotoğrafı, bir müşterinin sesli mesajı ve yazılmış bir soru, her biri farklı türde bir uç noktaya gider ve her uç noktanın kendi modelleri, limitleri ve hata biçimleri vardır. Önce görevi seçin; model listesi iki üç modele iner.

Bu rehber yaygın görevleri girdi türlerine, sonra da BroadNet Inference’ın her biri için belgelediklerine eşliyor. BroadRouter, BroadNet’in kendi sitesidir; aşağıdaki model bilgileri BroadNet’in 15 Kasım 2026’da kontrol edilen [fiyat akışından](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-text-speech-vision&utm_content=body) ve [API başvurusundan](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-text-speech-vision&utm_content=body) geliyor.

## Göreviniz hangi girdi türünü gerektiriyor?

| Göreviniz | Girdi | Çıktı | Uç nokta | BroadNet modelleri |
| --- | --- | --- | --- | --- |
| Metni yanıtlama, özetleme, sınıflandırma veya çevirme | Metin | Metin | Chat completions | Dört sohbet modelinden herhangi biri |
| Kendi fonksiyonlarınızı veya araçlarınızı çağırma | Metin | Araç çağrıları | Chat completions | GLM 5.3, Qwen3.8 27B (belgelenmiş) |
| Fotoğraf, tarama, ekran görüntüsü veya form okuma | Görsel + metin | Metin veya JSON | Görselli chat completions | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Bir kaydı veya sesli mesajı metne çevirme | Ses dosyası | Metin | Ses transkripsiyonu | Transcribe Arabic, Transcribe (14 dil) |
| Bir çağrıyı özetleme veya sesli mesajı yanıtlama | Ses dosyası | Metin | Transkripsiyon, ardından sohbet | Her birinden bir model |
| Yanıtı sesli okuma | Metin | Ses | Metinden sese | Sunulmuyor |
| Canlı sesli konuşma yürütme | Ses akışı | Ses | Gerçek zamanlı ses | Sunulmuyor |
| Görsel oluşturma | Metin | Görsel | Görsel üretimi | Sunulmuyor |
| Belgelerde anlamsal arama | Metin | Vektörler | Embedding | Sunulmuyor |

Bu tablodaki “görsel” (vision), görsel anlamadır: model gönderdiğiniz bir görseli okur. Görsel üretmek anlamına gelmez. Farkı [görsel dil modeli](https://broadrouter.com/tr/glossary/vision-language-model/) sözlük maddesi açıklıyor.

## Sohbet ile transkripsiyon arasındaki fark nedir?

İkisi, istek biçimleri, faturalama birimleri ve modelleri farklı olan ayrı uç noktalardır.

**Sohbet** (`POST /v1/chat/completions`) JSON olarak bir mesaj listesi alır ve metin döndürür. Girdi ve çıktı ayrı ayrı olmak üzere token başına faturalanır ve her modelin, istemi ve yanıtı birlikte tutan bir [bağlam penceresi](https://broadrouter.com/tr/glossary/context-window/) vardır. BroadNet’te dört sohbet modelinden üçü yanıt vermeden önce akıl yürütür ve bu akıl yürütme `max_tokens` değerine sayılır; pay bırakın ([akıl yürütme token’ları ve boş yanıtlar](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)).

**Transkripsiyon** (`POST /v1/audio/transcriptions`) bir ses dosyasını multipart yükleme olarak alır ve transkripti döndürür. Ses dakikası başına faturalanır. BroadNet’in belgeleri dosya başına 26.214.400 bayta kadar WAV veya MP3 belirtiyor ve `language` parametresinin her zaman gönderilmesini söylüyor; aksi hâlde Arapça Latin harflerine çevrilmiş olarak dönebilir.

| Model | Diller | Fiyat |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/tr/models/cohere-transcribe-arabic/) | Arapça: BroadNet’e göre Körfez, Mısır, Levant, Mağrip ve Modern Standart | Dakikası $0.0042 (saatte yaklaşık $0.25) |
| [BroadNet Transcribe](https://broadrouter.com/tr/models/cohere-transcribe/) | İngilizce, İspanyolca, Fransızca, Mandarin ve Arapça dahil 14 dil | Dakikası $0.002 (saatte yaklaşık $0.12) |

BroadNet’te bir sohbet modeli ses almaz, bir transkripsiyon modeli de soruları yanıtlamaz. Metinle yanıt veren bir sesli asistan iki çağrıdır: önce transkripsiyon, sonra sohbet. [Kayıtlardan Arapça toplantı tutanağı](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/) tam olarak bu zinciri kuruyor.

## Hangi modeller görsel kabul ediyor?

Akıştaki kaydı `modalities` alanında `image` listeleyenler. 15 Kasım 2026 itibarıyla:

| Model | Girdiler | Bağlam | 1M token başına girdi / çıktı | Erişim |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) | Metin, görsel | 1.048.576 | $0.175 / $0.52 | Bakiye yükleme gerekir |
| [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) | Metin, görsel | 262.144 | $0.175 / $2.17 | Bakiye yükleme gerekir |
| [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) | Metin, görsel | 32.768 | $0.10 / $0.22 | $5 başlangıç kredisi |
| [GLM 5.3](https://broadrouter.com/tr/models/glm-5.3/) | Yalnızca metin | 1.048.576 | $0.78 / $3.46 | Bakiye yükleme gerekir |

Görseli mesaj içeriğinde, doğru MIME türüyle bir `data:` URL’si olarak gönderin. BroadNet’in belgeleri görselin “only where the model row explicitly says images or vision” (BroadRouter çevirisi: yalnızca model satırında açıkça görsel veya vision yazan yerlerde) sunulduğunu söylüyor. Belgeler kabul edilen görsel formatlarını listelemiyor; kabul etmeyi planladığınız her formatı test edin. Kullandıkça öde anahtarında bir görsel girdi token’ı olarak faturalanır ve büyük bir görsel daha fazlasını kullanır; göndermeden önce yeniden boyutlandırın ve [görsel token hesaplayıcısıyla](https://broadrouter.com/tools/image-token-calculator/) tahmin edin. Uçtan uca belge çıkarma, [görsel LLM ile belgelerden veri çıkarma](https://broadrouter.com/tr/blog/extract-data-from-documents-with-vision-llm/) yazısında.

## Her girdiyi kodda nasıl yönlendirirsiniz?

Bu fonksiyon uç noktayı dosya türüne göre seçiyor, göndermeden önce belgelenmiş limitleri kontrol ediyor ve görsel destekleyen modellerin listesini koda gömmek yerine canlı akıştan okuyor. Temel URL değiştirildikten sonra BroadNet ile çalışan OpenAI Python SDK’yı kullanıyor ([kurulum rehberi](https://broadrouter.com/tr/guides/openai-python-sdk/)).

```python
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")
```

Bunu `BROADNET_BASE_URL` yerel bir sahte (mock) sunucuyu gösterirken (canlı API çağrısı olmadan) ve canlı fiyat akışıyla test ettik. Metin, bir WAV dosyası, ardından görev verilen bir WAV dosyası ve bir PNG, her biri doğru sahte uç noktaya ulaştı. PNG’yi `chat_model="broadnet/glm-5.3"` ile göndermek, akıştaki görsel destekli üç kimliği listeleyerek daha istek yapılmadan reddedildi. Bir `.ogg` dosyası, onu dönüştürecek ffmpeg komutuyla birlikte reddedildi; bu adımı [WhatsApp sesli mesajlarını metne çevirme](https://broadrouter.com/tr/guides/transcribe-whatsapp-voice-notes/) rehberi anlatıyor. Boyut sınırını aşan kayıtların bölünmesi gerekir; ffmpeg komutlarını [ses bölücü](https://broadrouter.com/tools/audio-splitter-ffmpeg/) hazırlıyor.

## Belge zaten metinse ne olur?

O zaman resmini göndermeyin. Bir muhasebe sisteminden veya kelime işlemciden dışa aktarılmış bir PDF’te genellikle bir metin katmanı bulunur; bunu bir PDF kitaplığıyla çıkarın ve metni bir sohbet modeline gönderin. Bu, kullandıkça öde anahtarında görselden ucuzdur, yanlış okumaları önler ve GLM 5.3’te de çalışır. Görseli, çıkarılacak metin katmanının olmadığı taramalar, telefon fotoğrafları, el yazısı, kaşeler ve ekran görüntüleri için saklayın.

Belge hattında yararlı bir kural: önce metin çıkarmayı deneyin, gerçek metin döndürüp döndürmediğini kontrol edin (boş sayfalar veya bozuk karakterler değil) ve yalnızca döndürmediğinde görsele geçin. Arapça PDF’lerde çıkarılan metne güvenmeden önce bir örneğini okuyun: PDF’in nasıl üretildiğine bağlı olarak çıkarma işlemi Arapça harfleri yanlış sırayla veya birleşmemiş sunum biçimleriyle (presentation forms) döndürebilir. Görselin daha iyi kaynak olduğu durumları [görsel LLM ile Arapça OCR](https://broadrouter.com/tr/blog/arabic-ocr-vision-llm/) yazısı anlatıyor.

## Maliyetler nasıl karşılaştırılır?

Her girdi türü kendi biriminde faturalanır; bu yüzden istek başına değil, görev başına karşılaştırın:

-   **Metin** girdi ve çıktı token’ı başına faturalanır. Arapça, aynı içerik için çoğu zaman İngilizceden daha fazla token gerektirir; bunu [Arapça token sayacı](https://broadrouter.com/tools/arabic-token-counter/) ölçüyor.
-   **Görseller** kullandıkça öde modelinde modelin girdi fiyatından girdi token’ıdır; bu yüzden büyük bir fotoğraf bir sayfa metinden pahalı olabilir. DeepSeek oturum planında görseller sabit fiyata dahildir.
-   **Ses**, ne söylendiğinden bağımsız olarak ses dakikası başına faturalanır. BroadNet’te her biri 30 saniyelik 10.000 Arapça sesli mesaj, Arapça modelle yaklaşık $21.00 tutar. Diğer hacimleri [konuşmadan metne maliyet hesaplayıcısı](https://broadrouter.com/tools/speech-to-text-cost-calculator/) hesaplıyor.

Bir zincir, parçalarını toplar: bir sohbet modelinin yanıtladığı sesli mesaj, transkripsiyon dakikalarına ek olarak transkriptin ve yanıtın sohbet token’larına mal olur. Sohbet tarafını [LLM API maliyet hesaplayıcısı](https://broadrouter.com/tools/llm-api-cost-calculator/) hesaplıyor.

## Ne sunulmuyor ve bunun yerine ne yapmalısınız?

BroadNet’in API başvurusu iki çıkarım uç noktasını belgeliyor: chat completions ve ses transkripsiyonu. Dolayısıyla şunlar yok:

-   **Metinden sese.** `/v1/audio/speech` yok. Ürününüzün sesli yanıt vermesi gerekiyorsa BroadNet transkripsiyonunu ve sohbetini ayrı bir TTS hizmetiyle eşleştirin.
-   **Canlı ses.** Transkripsiyon canlı bir ses akışı değil, yüklenmiş bir dosya alır. Çağrı ortasında yanıt vermesi gereken bir telefon ajanı için başka bir yerde gerçek zamanlı bir ses yığını gerekir. Dosya tabanlı alternatifi [tarayıcıda ses kaydedip metne çevirme](https://broadrouter.com/tr/blog/record-browser-audio-transcription-api/) yazısı gösteriyor.
-   **Görsel üretimi.** Buradaki görsel yetenek görselleri okur; oluşturmaz.
-   **Embedding.** `/v1/embeddings` yok. Erişim (retrieval) için başka bir sağlayıcıdan veya kendi barındırdığınız bir embedding modeli gerekir; fiyatları [embedding maliyet hesaplayıcısı](https://broadrouter.com/tools/embedding-cost-calculator/) karşılaştırıyor.

BroadNet’in [araştırma kataloğu](https://www.broadnet.ai/inference/models) metinden sese, görsel üretimi ve embedding modellerini listeliyor, ancak laboratuvarında kıyaslandı olarak işaretliyor. Bu, API’sinin ne sattığını değil, BroadNet’in neyi test ettiğini kaydediyor; farkı [bir model kataloğunu okuma](https://broadrouter.com/tr/blog/understand-model-status/) yazısı açıklıyor.

## Neden her girdi için ayrı bir değerlendirme seti gerekir?

Çünkü her girdi türü farklı biçimde başarısız olur ve hepsinin ortalaması bu hataları gizler.

-   **Metin:** gerçek kullanıcı mesajlarında, mümkün olduğunda koddaki kontrollerle puanlayın. Yöntem [geçiş yapmadan önce LLM değerlendirme](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/) yazısında.
-   **Görseller:** gerçek kalitede gerçek fotoğraflar kullanın: açılı çekilmiş telefon fotoğrafları, solmuş fişler, metnin üzerindeki kaşeler. Her alanı ayrı puanlayın. Temiz bir PDF çıktısı, kullanıcılarınızın göndereceği fotoğraflardan çok daha yüksek puan alır.
-   **Konuşma:** kendi kayıtlarınızda lehçeye, konuşmacıya ve hat kalitesine göre ayırarak [kelime hata oranını](https://broadrouter.com/tr/glossary/word-error-rate/) ölçün ve önemli kelimeleri (adlar, sayılar, tutarlar) ayrıca kontrol edin. Bkz. [Arapça ASR’de WER](https://broadrouter.com/tr/blog/arabic-asr-wer-explained/).
-   **Zincirler:** konuşma bir sohbet modelini beslediğinde iki adımı da ve nihai sonucu da puanlayın. Yanlış duyulan bir sayı kendinden emin, yanlış bir yanıta dönüşür ve bunun ne sıklıkla olduğunu yalnızca uçtan uca bir test gösterir.

Setleri ayrı tutun, sürümleyin ve bir modeli veya istemi her değiştirdiğinizde ilgili seti yeniden çalıştırın.

## BroadNet Inference’ın yeri

BroadNet Inference, görev tablosunun ilk beş satırını tek bir anahtar ve tek bir temel URL ile karşılıyor: metin sohbeti, GLM 5.3 ve Qwen3.8 27B’de araç çağırma, üç modelde görsel anlama ve Arapça veya çok dilli transkripsiyon. Gemma 4 VL 26B ve iki transkripsiyon modeli $5 başlangıç kredisiyle çalışıyor; DeepSeek, GLM ve Qwen bakiye yüklemesi gerektiriyor. Çıkarım içeriği saklanmaz; gerekli hesap, faturalama ve güvenlik meta verileri BroadNet’in [gizlilik beyanında](https://www.broadnet.ai/inference-privacy) anlatıldığı şekilde saklanır. Sesli yanıt, görsel üretimi, canlı ses veya embedding için başka bir hizmet kullanın. Yukarıdaki her şeyin fiyatı [fiyatlar sayfasında](https://broadrouter.com/tr/pricing/).

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Embedding (gömme vektörü)](https://broadrouter.com/tr/glossary/embeddings/)

Embedding'ler (gömme vektörleri), bir modelin bir metin parçasını, görseli veya başka bir girdiyi temsil etmek için ürettiği kayan noktalı sayı listeleridir (vektörler). Anlamca benzer girdiler birbirine yakın vektörler alır; bu yüzden vektörler arasındaki mesafe arama sonuçlarını sıralamak, belgeleri kümelemek veya ilgili öğeleri bulmak için kullanılabilir.

[Konuşmadan metne (speech-to-text)](https://broadrouter.com/tr/glossary/speech-to-text/)

Konuşmadan metne (speech-to-text), otomatik konuşma tanıma (ASR) olarak da bilinir; konuşulan sesi yazılı metne dönüştüren teknolojidir. Bir konuşmadan metne API'si ses dosyası veya akışı alıp transkript döndürür ve genellikle ses dakikası başına fiyatlandırılır. Doğruluk kelime hata oranıyla ölçülür; aksana, lehçeye ve kayıt kalitesine göre değişir.

[WAV](https://broadrouter.com/tr/glossary/wav/)

WAV (Waveform Audio File Format veya WAVE), Microsoft ve IBM'in RIFF formatı üzerine kurulu bir ses kapsayıcısıdır. Genellikle sıkıştırılmamış doğrusal PCM örnekleri taşır; bu yüzden boyutu öngörülebilirdir: saniye başına örnekleme hızı çarpı örnek başına bayt çarpı kanal sayısı.

[Chat Completions API](https://broadrouter.com/tr/glossary/chat-completions-api/)

Chat Completions API, OpenAI'nin bir model adı ile rollerle etiketlenmiş mesaj listesini alıp modelin sonraki mesajını döndüren HTTP uç noktasıdır: POST /v1/chat/completions. İstek ve yanıt yapısı, OpenAI uyumlu sağlayıcıların ve SDK'ların yeniden kullandığı ortak format hâline geldi.

[Metinden sese (text-to-speech, TTS)](https://broadrouter.com/tr/glossary/text-to-speech/)

Metinden sese (text-to-speech, TTS) veya ses sentezi, yazılı metni konuşma sesine dönüştürür. Bir TTS API'si metni, bir sesi ve MP3 veya WAV gibi bir çıktı formatını alır ve üretilmiş konuşmayı döndürür. Sesi metne dönüştüren konuşmadan metnenin tersidir.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

## Sık sorulan sorular

### Görseller için hangi yapay zekâ modelini kullanmalıyım?

Kullandığınız API'de görsel girdi kabul eden bir model. Fiyat akışına göre BroadNet Inference'ta bunlar DeepSeek V4.1 Flash, Qwen3.8 27B ve Gemma 4 VL 26B; GLM 5.3 yalnızca metin alıyor. Görseli sohbet mesajında bir data URL olarak gönderin.

### Bir sohbet modeli sesi metne çevirebilir mi?

BroadNet Inference'ta hayır. Ses, bir transkripsiyon modeliyle transkripsiyon uç noktasına, /v1/audio/transcriptions adresine gider. Ardından bir özet veya yanıt gerekiyorsa transkripti ikinci adım olarak bir sohbet modeline gönderin.

### BroadNet Inference metinden sese veya görsel üretimi sunuyor mu?

Hayır. API başvurusu yalnızca chat completions ve ses transkripsiyonunu belgeliyor. Metinden sese ve görsel üretimi modelleri BroadNet'in araştırma kataloğunda kıyaslandı olarak görünüyor; bu, sunulduğu anlamına gelmiyor.

### BroadNet hangi ses formatlarını kabul ediyor?

Dosya başına 26.214.400 bayta kadar WAV (audio/wav) veya MP3 (audio/mpeg). WhatsApp'ın .ogg sesli mesajı gibi diğer formatları önce ffmpeg ile dönüştürün ve language parametresini her zaman gönderin.

### Bir görsel nasıl faturalanır?

Kullandıkça öde anahtarında BroadNet bir görseli modelin girdi fiyatından girdi token'ı olarak faturalar; büyük bir görsel daha çok token kullanır. DeepSeek oturum planında görseller sabit fiyata dahildir.

## Okumaya devam edin

-   [Fatura, fiş ve formlardan görsel LLM ile JSON veri çıkarma](https://broadrouter.com/tr/blog/extract-data-from-documents-with-vision-llm/)
-   [Arapça ses metne çevirme API: 2026'da nasıl seçilir?](https://broadrouter.com/tr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Çok dilli ses metne çevirme API: 14 dil, tek uç nokta](https://broadrouter.com/tr/blog/multilingual-speech-to-text-api/)
-   [En ucuz görsel LLM API: görsel ve sayfa başına maliyet hesabı](https://broadrouter.com/tr/blog/cheapest-vision-llm-api/)
-   [Kayıtlardan Arapça toplantı tutanağı: bir API hattı](https://broadrouter.com/tr/blog/arabic-meeting-minutes-from-recordings/)
-   [Canlı, talep üzerine, araştırma: model kataloğunu doğru okuyun](https://broadrouter.com/tr/blog/understand-model-status/)
-   [Sağlayıcı değiştirmeden önce bir LLM nasıl değerlendirilir?](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/)
-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API yanıtlarını önbelleğe alıp maliyeti düşürün: Python örneği](https://broadrouter.com/tr/blog/cache-llm-responses-cut-cost/)
-   [Rehber: Arapça faturaları ve fişleri bir görü modeliyle okuyun](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/)
-   [Rehber: Adım adım Arapça ses metne çevirme API'si](https://broadrouter.com/tr/guides/arabic-speech-to-text-api/)
-   [Rehber: WhatsApp sesli notlarını API ile metne çevirin](https://broadrouter.com/tr/guides/transcribe-whatsapp-voice-notes/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-text-speech-vision&utm_content=page-cta) ·

**Kaynaklar**

-   [BroadNet Inference API başvurusu: model kimlikleri, görselle sohbet, transkripsiyon formatları ve boyutu, yetenek durumu (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-text-speech-vision&utm_content=sources)
-   [BroadNet Inference pricing.json: model başına modaliteler, diller ve fiyatlar (kontrol tarihi 2026-11-15) (İngilizce)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-text-speech-vision&utm_content=sources)
-   [BroadNet Inference model kataloğu: canlı modeller ile kıyaslandı olarak listelenen metinden sese ve görsel modelleri (kontrol tarihi 2026-11-15) (İngilizce)](https://www.broadnet.ai/inference/models)
-   [BroadNet Inference gizlilik ve veri saklama beyanı (kontrol tarihi 2026-11-15) (İngilizce)](https://www.broadnet.ai/inference-privacy)
